論文の概要: Intelligent Road Condition Monitoring using 3D In-Air SONAR Sensing

• arxiv url: http://arxiv.org/abs/2603.28141v1
• Date: Mon, 30 Mar 2026 08:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.290193
• Title: Intelligent Road Condition Monitoring using 3D In-Air SONAR Sensing
• Title（参考訳）: 空気中3次元ソナーセンシングによる知的道路状況モニタリング
• Authors: Amber Cassimon, Robin Kerstens, Walter Daems, Jan Steckel,
• Abstract要約: 本稿では,道路材料分類と道路損傷検出・分類の2つの応用について考察する。 我々は,SONARセンサデータから路面タイプを決定するのに精通しており,F1スコアはテストセットの90%に近づいた。
• 参考スコア（独自算出の注目度）: 0.9639643026512313
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we investigate the capabilities of in-air 3D SONAR sensors for the monitoring of road surface conditions. Concretely, we consider two applications: Road material classification and Road damage detection and classification. While such tasks can be performed with other sensor modalities, such as camera sensors and LiDAR sensors, these sensor modalities tend to fail in harsh sensing conditions, such as heavy rain, smoke or fog. By using a sensing modality that is robust to such interference, we enable the creation of opportunistic sensing applications, where vehicles performing other tasks (garbage collection, mail delivery, etc.) can also be used to monitor the condition of the road. For these tasks, we use a single dataset, in which different types of damages are annotated, with labels including the material of the road surface. In the material classification task, we differentiate between three different road materials: Asphalt, Concrete and Element roads. In the damage detection and classification task, we determine if there is damage, and what type of damage (independent of material type), without localizing the damage. We are succesful in determining the road surface type from SONAR sensor data, with F1 scores approaching 90% on the test set, but find that for the detection of damages performace lags, with F1 score around 75%. From this, we conclude that SONAR sensing is a promising modality to include in opportunistic sensing-based pavement management systems, but that further research is needed to reach the desired accuracy.
• Abstract（参考訳）: 本稿では,路面状況監視のための3次元SONARセンサの空対地性能について検討する。 具体的には,道路材料分類と道路損傷検出と分類の2つの応用について考察する。 このようなタスクは、カメラセンサーやLiDARセンサーなどの他のセンサーモードで行うことができるが、これらのセンサーモードは、大雨や煙、霧といった厳しい感知条件下では失敗する傾向がある。 このような干渉に頑健なセンシングモダリティを利用することで、他の作業を行う車両(荷物収集、郵便配達等)を道路の状態監視に利用して、機会感センサアプリケーションの作成を可能にする。 これらのタスクには、1つのデータセットを使用し、異なる種類の損傷がアノテートされ、道路表面の材料を含むラベルが付けられます。 材料分類タスクでは,アスファルト,コンクリート,要素の3つの異なる道路材料を区別する。 損傷検出・分類タスクにおいて,損傷の有無,損傷の種類(材料の種類に依存しない)を局所化せずに判定する。 我々は,SONARセンサデータから路面タイプを決定するのに精通しており,F1スコアはテストセットの90%に近づいた。 以上の結果から,SONAR センシングは機会感に基づく舗装管理システムに組み込む上で有望なモダリティであるが,望ましい精度に到達するためにはさらなる研究が必要であると結論づける。

関連論文リスト

• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• On the Robustness Evaluation of 3D Obstacle Detection Against Specifications in Autonomous Driving [5.013456653983232]
  仕様に基づく摂動に対する3次元障害物検出モデルのロバスト性は未評価のままである。 業界グレードのLevel 4 ADSを含む5つの古典的3次元障害物検出モデルのロバスト性を評価するためにETを適用した。 PCDの非常に微妙な変化(すなわち2点の除去)でさえ、オブジェクトの安全性の非自明な低下をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-08-24T19:10:07Z)
• Predicting the Influence of Adverse Weather on Pedestrian Detection with Automotive Radar and Lidar Sensors [2.4903631775244213]
  歩行者は道路交通で最も危険に晒されている交通機関の1つである。 名目状態での歩行者検出は良好に確立されているが,センサや歩行者検出性能は悪天候下で低下する。 本稿では,利用者が特定したレーダとライダーが歩行者検出性能に与える影響を予測する専用テキストウェザーフィルタ(WF)モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-21T12:44:43Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
  道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。 当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。 悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
  論文  参考訳（メタデータ） (2023-10-02T07:34:15Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Radar Voxel Fusion for 3D Object Detection [0.0]
  本稿では,3次元物体検出のための低レベルセンサ融合ネットワークを開発する。 レーダーセンサーの融合は、雨や夜景のような裂け目状態において特に有益である。
  論文  参考訳（メタデータ） (2021-06-26T20:34:12Z)
• LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
  We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。 LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。 また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
  論文  参考訳（メタデータ） (2020-03-13T06:17:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。